ИССЛЕДОВАНИЕ ЗЕМЛИ ИЗ КОСМОСА, 2011, № 3, с. 40-48
ИСПОЛЬЗОВАНИЕ КОСМИЧЕСКОЙ ИНФОРМАЦИИ О ЗЕМЛЕ
РАСПОЗНАВАНИЕ РАСТИТЕЛЬНОСТИ ПО ДАННЫМ ГИПЕРСПЕКТРАЛЬНОГО АЭРОЗОНДИРОВАНИЯ
© 2011 г. В. В. Козодеров1*, В. Д. Егоров2
Московский государственный университет им. М.В. Ломоносова, Москва 2Учреждение Российской академии наук Институт вычислительной математики РАН, Москва
*Е-таП: vkozod@mes.msu.ru Поступила в редакцию 28.10.2010 г.
В задаче распознавания образов природно-техногенных объектов по данным дистанционной гиперспектральной съемки предлагается комбинированный подход, использующий не только критерий минимума евклидова расстояния относительно спектров некоторых "эталонных" объектов, но и особенности смещения по длине той области перехода от полосы хлорофилла к максимуму спектральной отражательной способности, которая характерна для растительности. База данных предлагаемого метода распознавания строится на основе гистограмм яркости пикселов для выбранных каналов. Гистограмма в области максимума различимости классов объектов, характерных для выбранной тестовой территории, разбивается на определенное число спектральных интервалов, для которых производится группирование спектров по величине указанного сдвига. На основе вычислительных процедур выделения таких групп спектров показаны новые возможности распознавания разных типов растительности по данным аэрозондирования высокого пространственного и спектрального разрешения.
Ключевые слова: обработка гиперспектральных изображений, распознавание объектов, характерные признаки растительности
ВВЕДЕНИЕ
Необходимость адаптации разрабатываемых программных средств обработки многоспектральных аэрокосмических изображений (обычно 6—7 спектральных каналов в видимой и ближней ИК-области (БИК)) к открывающимся новым возможностям обработки гиперспектральных изображений (сотни спектральных каналов) требует изучения особенностей формирования баз данных для распознавания природно-техногенных объектов (ПТО) и оценки параметров, характеризующих состояние этих объектов. В работах (Козодеров и др., 2007, 2008, 2010) показаны этапы трансформации соответствующего программно-алгоритмического обеспечения при переходе от обработки данных многоспектральной аппаратуры MODIS спутника Terra (пространственное разрешение около 500 м; семь спектральных каналов в рассматриваемой области спектра) к данным аппаратуры Landsat ETM+ спутника Land-sat-7 (пространственное разрешение около 30 м; шесть спектральных каналов в указанной области спектра) и далее к данным самолетной гиперспектральной аппаратуры (пространственное разрешение достигает 1—2 м с высот 1—2 км; около 200 спектральных каналов).
В работе (Егоров, Козодеров, 2009) на примере обработки данных Landsat ETM+ продемонстрированы возможности создания эффективных алго-
ритмов оценки параметров состояния почвенно-растительного покрова для выбранной территории. Изображения, полученные этой аппаратурой, охватывают территории ~200 х 200 км с разрешением ~30 х 30 м. При обработке часто используются RGB-синтезированные изображения для улучшения изобразительных свойств обрабатываемых данных. Так, в работе (Beaubien et al., 1999) по данным трех каналов указанной аппаратуры генерируется "цветное" RGB-изображение изучаемого участка территории. Далее осуществляется сопоставление "цвета" данного участка "цветам" ряда обработанных заранее эталонных участков, в итоге чего участку присваивается тот или иной тип поверхности из присутствующих в эталонной выборке. В указанной работе показаны возможности выделения по данным Landsat ETM+ до 20—22 типов земной поверхности, в том числе до семи типов хвойных пород деревьев (от темных к светлым).
В отмеченных публикациях российских авторов, наряду с определением типа растительного покрова, вычисляется количественная характеристика — объем зеленой фитомассы и общей биомассы растительного покрова. Показано, в частности, что по данным аппаратуры ETM+ можно распознать до 11 типов лесной растительности от чисто хвойных пород до чисто лиственных с промежуточными градациями и, кроме того, до пяти-шести типов других
объектов (водная поверхность, городская застройка и т.п.). Заметим, что программа расчета объема биомассы начинает свою работу при запуске с определения принадлежности каждого текущего пиксела обрабатываемого изображения известным типам природно-техногенных объектов. И только если данный пиксел по выбранным критериям трактуется как соответствующий растительному покрову, включается собственно расчет объема биомассы для этого пиксела.
Новые возможности улучшения распознавания объектов дистанционными методами связывают с появлением гиперспектральной аппаратуры (Fuentes et al., 2001). Одной из первых была аппаратура "Самолетный видеоспектрометр видимой и инфракрасной области" (Airborne Visible and Infrared Imaging Spectrometer/AVIRIS), которая обеспечивала получение данных в 224 спектральных каналах в области длин волн 0.4—2.5 мкм с шириной каждого канала в 10 нм и выше. В (Fuentes et al., 2001) показаны особенности картографирования лесной растительности с учетом существования полос поглощения солнечного излучения хлорофиллом (основным пигментом вегетирующей растительности) и водяного пара атмосферы при обработке данных аппаратуры AVIRIS.
В работе (Zarco-Tejada, Miller, 1999) продемонстрированы результаты распознавания болотистой местности по данным самолетной гиперспектральной аппаратуры CASI/Compact Airborne Spectro-graphic Imager ("Компактная самолетная спектрографическая аппаратура, дающая изображения"). Акцент в этой работе сделан на изучение области перехода, названной "красной кромкой" (red edge), от полосы поглощения хлорофилла (620—680 нм) к максимуму спектральной отражательной способности растительности (720—750 нм). Возможный сдвиг всей этой области в сторону более коротких волн (назван "голубым смещением" — blue shift) может служить отличительным признаком разных типов растительности. Данное утверждение связано с экспериментально установленным фактом более значительной амплитуды указанного максимума для зеленой травы и лиственных пород деревьев по сравнению с этой же амплитудой для хвойных пород деревьев. На практике это означает, что данный максимум достигается для хвойных пород при длинах волн, на несколько нанометров более коротких, чем в случае лиственных пород. Установленный эффект тонкой структуры спектров может способствовать различению разных типов растительности по данным гиперспектрального зондирования.
В работах (Козодеров и др., 2009, 2010) по данным летных испытаний отечественной гиперспектральной аппаратуры реализованы алгоритмы распознавания наблюдаемых объектов. Большинство из этих алгоритмов основано на близости текущего спектра в евклидовой норме для каждого обрабаты-
ваемого пиксела с исследуемого трека (участка пролета самолета над той или иной местностью) одному из спектров из ранее заготовленной базы данных. Мера близости характеризуется минимумом евклидова расстояния и определяется соответствием текущих спектров и спектров известных типов поверхностей (для водоемов, грунтовых дорог и дорог с твердым покрытием, для темных и светлых лесных массивов, лесных массивов с желтеющей листвой и др.).
В настоящей публикации развивается метод распознавания растительности, основанный на изучении указанного сдвига спектров по данным гиперспектрального аэрозондирования. Использовались данные гиперспектральной камеры образца 2008 г. (156 спектральных каналов) разработки НПО "Леп-тон", г. Зеленоград, при ее установке на самолетный носитель вместе с аэрофотоаппаратурой и системой спутникового позиционирования. Спектральное разрешение данного типа гиперспектральной аппаратуры достигает 1 нм в коротковолновой области (400-470 нм), 8-10 нм в области (700-780 нм) и до 20 нм в длинноволновой области (950-980 нм). Высота полета самолета составляла от 1.5 до 2 км, пространственное разрешение не хуже 4 м вдоль трека полета самолета.
ПОСТАНОВКА ЗАДАЧИ
Одна из существенных, но не единственная сложность, которая возникает при обработке гиперспектральных данных, - это чередование на изображении ярких и темных соседних элементов разрешения (пикселов) вследствие высокого разрешения самолетной съемки местности. Соседние пикселы часто представляют собой ярко освещенную верхушку крон деревьев, менее освещенные участки в глубине крон, часть пикселов отражает слабо освещенные промежутки между кронами. Отмеченная особенность ухудшает качество распознавания типа лесного покрова, поскольку различие в интегральной яркости спектров отдельных пород (например, елового леса и леса соснового) может быть значительно меньше различия интегральных яркостей одной и той же породы, но по-разному освещенной (на вершине кроны или в глубине кроны). В противоположность этому, без особого труда выделяются объекты с заметно отличными спектральными свойствами - уверенно распознаются водная поверхность, болотистая местность, грунтовые дороги и дороги с твердым покрытием, другие объекты.
Имеющиеся данные наземной лесотаксации территории гиперспектрального аэрозондирования способствуют созданию базы данных "эталонных" спектров по разным породам лесной растительности. Вместе с тем, имеются картосхемы лесотакса-ции по преобладающей лесной породе в пределах отдельных выделов для заранее выделенных кварта-
0.0020
0 0.002 0.004 0.006 0.008
Яркость, Вт/(см2 • мкм • стер)
Рис. 1. Гистограмма частот появления разных градаций яркости в канале 99 (длина волны 551.33 нм) гиперспектрометра.
0.005 0.010 0.015 0.020 Яркость, Вт/(см2 • мкм • стер)
0.025
Рис. 2. Гистограмма частот появления разных градаций яркости в канале 143 (длина волны 798.10 нм) гиперспектрометра.
лов, предшествующих наземных обследований. При высоком пространственном разрешении гиперспектральных данных неизбежно обновление соответствующих картосхем, поскольку в пределах отдельных выделов часто существуют смешанные породы деревьев. Появляются сложности использования "эталонных" спектров для лесной растительности смешанного породного состава.
В процессе создания но
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.